Notice bibliographique
Résumé
Pour mieux décrire les aléas naturels et tenter d’en prévoir les conséquences, nous multiplions les recours à la modélisation. Les vertus des outils qui en découlent ne sont plus à démontrer. Autour de la question du changement climatique et vis-à-vis des risques naturels, la logique actuelle voudrait que la recherche d’un idéal de précision – augmenter indéfiniment les résolutions spatiales et temporelles des modèles, multiplier à outrance le nombre de paramètres à ingérer – soit la seule manière de gagner en efficacité. Au travers d’exemples appliqués à l’érosion marine, nous illustrons les possibles dérives de cette approche, que nous qualifions d’analytique, et présentons, dans un but applicatif, une démarche alternative. Il s’agit de construire un indice d’érosion qui, de façon pragmatique et suivant un raisonnement phénoménologique, vise à répondre à une demande sociale croissante en prédiction du dommage en milieu littoral. Son principe est simple : caractériser et prédire les conditions de survenue des tempêtes à impact, celles qui engendrent effectivement de l’érosion. Il combine trois facteurs fondamentaux : un fort vent d’afflux, une forte houle et une haute mer de vive-eau. Les tests menés sur la plage artificielle de Marennes (Charente-Maritime, France) se sont avérés concluants. Cependant, certaines limites doivent encore être repoussées, notamment la prise en compte de la non-linéarité du comportement des systèmes littoraux.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,005 | 0,005 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».